PRIME: 일부 기본 원소만으로도 일반적인 손상에 대한 강건성을 향상시킬 수 있다

이미지 분류 작업에서 놀라운 성능을 보이는 깊은 신경망은 데이터의 예측되지 않은 손상(corruption)에 대해 일반화하는 데 어려움을 겪는다. 이 취약성을 해결하기 위해 기존 연구들은 복잡한 데이터 증강 전략을 개발하여 다양한 방법을 조합해 훈련 데이터를 풍부하게 했다. 그러나 복잡한 설계 선택이나 휴리스틱 기법을 도입하게 되면, 이러한 방법에서 실제로 강건성(robustness) 향상에 기여하는 핵심 요소가 무엇인지 파악하기 어렵다. 본 연구에서는 이러한 문제를 해결하기 위해 보다 근본적인 접근을 취하여 일반적인 손상에 대한 강건성을 달성하고자 한다. 우리는 단순하면서도 풍부한 최대 엔트로피(max-entropy) 이미지 변환군을 기반으로 하는 일반적인 데이터 증강 기법 PRIME을 제안한다. PRIME는 기존 기법 대비 손상에 대한 강건성에서 뛰어난 성능을 보이며, 그 단순성과 즉시 적용 가능한 성격(Plug-and-play nature) 덕분에 다른 기법과 조합하여 추가적인 강건성 향상을 가능하게 한다. 또한, PRIME의 성능을 분석함으로써 손상된 이미지를 합성할 때 혼합 전략(mixing strategy)의 중요성을 밝히고, 일반적인 손상 상황에서 나타나는 강건성과 정확도 사이의 트레이드오프를 규명한다. 마지막으로, 본 방법의 계산 효율성이 높아 온라인 및 오프라인 데이터 증강 시나리오 모두에서 쉽게 적용 가능함을 보여준다.